CN107844855A - 一种基于昂贵多目标优化问题的优化方法及系统 - Google Patents
一种基于昂贵多目标优化问题的优化方法及系统 Download PDFInfo
- Publication number
- CN107844855A CN107844855A CN201710995223.XA CN201710995223A CN107844855A CN 107844855 A CN107844855 A CN 107844855A CN 201710995223 A CN201710995223 A CN 201710995223A CN 107844855 A CN107844855 A CN 107844855A
- Authority
- CN
- China
- Prior art keywords
- msub
- mtd
- mrow
- msubsup
- mtr
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于昂贵多目标优化问题的优化方法及系统，当一个任务中多个目标同时达到预设要求时，将多个不相关的目标对应的目标函数通过映射进行转换；将目标函数通过映射转换到一组具有相关性或者相似性的任务系列中对多个不相关的目标函数进行关联；将具有相似性或相关性的任务系列进行联合建模，生成多任务高斯过程模型；本发明在优化环节，利用建立的多任务高斯过程模型对每个任务进行预测，然后通过逆映射将任务预测值映射到目标预测值，达到避免计算昂贵目标函数的目的，最后输出优化结果；降低了多个不相关目标优化的成本。
Description
技术领域
本发明涉及区间多目标优化技术领域，具体涉及一种基于昂贵多目标优化问题的优化方法及系统。
背景技术
现有技术中，在实际应用中,区间多目标优化问题普遍存在，在日常生活中，经常要求不止一项指标达到最优，往往要求多项指标同时达到最优，大量的问题都可以归结为一类在某种约束条件下使多个目标同时达到最优的多目标优化问题；例如，在机械加工时，在进给切削中，为选择合适的切削速度和进给量，提出目标：1.机械加工成本最低，2.生产率高，3.刀具寿命最长，同时还要满足进给量小于加工余量、刀具强度等约束条件，一个参数就相当于一个目标(一个目标对应一个目标函数)；再例如，在车辆寻找路线时，提出目标：1.路况最好，2.时间最短，3.成本最低等；针对上述的多个目标的优化问题，如果每一个目标进行分别建立独立的代理模型，在数据量较小的时候会导致模型建立不够准确，且成本昂贵。
所以，现有技术中，对于昂贵多目标(此处的昂贵多目标中的昂贵是指单独对每个目标函数进行建模优化时成本较高的意思)优化问题(Expensive multiobjectiveoptimization problems)，基于高斯过程(Gaussian Process，GP)建模的代理模型优化是其主要优化方法，其主要的思路是对每一个昂贵优化目标函数分别建立高斯代理模型，然后再采用一些进化算法进行基于建立的代理模型的预测和优化；该方法主要的缺点是对每个目标分别建立独立的代理模型，在数据量较小的时候会导致模型建立不够准确；另一种改进的思路是采用多任务高斯过程(Multiple Task GP，MTGP)对多个目标联合建模来增加建模的数据数量，但是，由于目标之间缺少相关性，联合建模往往会使建立的模型更加不准确，从而影响到后面进化算法的预测准确度及优化效率。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于昂贵多目标优化问题的优化方法及系统，旨在优化环节，利用建立的多任务高斯过程模型对每个任务进行预测，然后通过逆映射将任务预测值映射到目标预测值，达到避免计算昂贵目标函数的目的，最后输出优化结果；通过将多个不相关的目标函数映射到一组存在相关性或相似性的任务系列中，然后利用MTGP将这些任务系列进行联合建模产生MTGP模型，有效利用任务系列之间的相似性来提高模型的准确度，同时在数据量较小时能有效增加训练的数据样本降低了同一任务中多个不相关目标优化的成本。
本发明解决技术问题所采用的技术方案如下：
一种基于昂贵多目标优化问题的优化方法，其中，所述基于昂贵多目标优化问题的优化方法包括：
当一个任务中多个目标同时达到预设要求时，将多个不相关的目标对应的目标函数通过映射进行转换；
将目标函数通过映射转换到一组具有相关性或者相似性的任务系列中对多个不相关的目标函数进行关联；
将具有相似性或相关性的任务系列进行联合建模，生成多任务高斯过程模型对目标进行预测，并输出优化结果。
所述的基于昂贵多目标优化问题的优化方法，其中，所述将具有相似性或相关性的任务系列进行联合建模，生成多任务高斯过程模型对目标进行预测，并输出优化结果还包括：
对所述多任务高斯过程模型通过逆向映射获取所有目标函数的预测值，对所有目标函数进行预测。
所述的基于昂贵多目标优化问题的优化方法，其中，所述当一个任务中多个目标同时达到预设要求时，将多个不相关的目标对应的目标函数通过映射进行转换包括以下步骤：
预先设置所述一个任务中多个目标同时要达到的预设要求；
获取所述一个任务中多个不相关的目标，建立每一个目标对应的目标函数；
将多个不相关的目标函数进行映射转换。
所述的基于昂贵多目标优化问题的优化方法，其中，所述将目标函数通过映射转换到一组具有相关性或者相似性的任务系列中对多个不相关的目标函数进行关联包括以下步骤：
当将多个不相关的目标函数进行映射转换后，多个不相关的目标函数集中到一组具有相关性或者相似性的任务系列中；
当转换得到所述任务系列后，多个不相关的目标函数完成关联操作。
所述的基于昂贵多目标优化问题的优化方法，其中，所述将具有相似性或相关性的任务系列进行联合建模，生成多任务高斯过程模型对目标进行预测，并输出优化结果包括以下步骤：
根据转换得到的具有相关性或者相似性的任务系列，进行高斯联合建模；
当完成所述高斯联合建模后，生成多任务高斯过程模型多个目标进行预测，根据所述预设要求对多个目标进行优化。
所述的基于昂贵多目标优化问题的优化方法，其中，
当所述目标函数为两个不相关的目标函数时，两个目标函数分别表示为f1和f2，则定义：
其中，h1和h2为定义的中间变量，a1,a2,b1,和b2为实数，且a1≠a2≠0,b1≠b2≠0,
所述的基于昂贵多目标优化问题的优化方法，其中，当则
即
其中，对f1和f2建立高斯过程模型等价于对h1和h2建立高斯过程模型，通过f1和f2的分布，则获取得到h1和h2的分布，或者通过h1和h2的分布，则获取得到f1和f2的分布。
所述的基于昂贵多目标优化问题的优化方法，其中，当已知h1和h2的分布，对于f1和f2的均值和方差，则：
则得到：
f1和f2的高斯过程模型与h1和h2的高斯过程模型的估计值进行转换；h1和h2之间具有相关性或相似性，通过对f1和f2映射获取h1和h2，通过h1和h2之间的相关性或相似性对h1和h2采用多任务高斯过程进行联合建模；联合建模完成后，通过逆向映射获取f1和f2的预测值。
所述的基于昂贵多目标优化问题的优化方法，其中，在对所述目标函数进行预测时，对于任一输入矢量x*，通过建立的多任务高斯过程模型获得预测值和对和进行逆向映射则获得和其中，fi j表示对于输入j的第i个目标值。
一种基于昂贵多目标优化问题的优化系统，其中，所系统包括：
映射模块，用于当一个任务中多个目标同时达到预设要求时，将多个不相关的目标对应的目标函数通过映射进行转换；
关联模块，用于将目标函数通过映射转换到一组具有相关性或者相似性的任务系列中对多个不相关的目标函数进行关联；
建模模块，用于将具有相似性或相关性的任务系列进行联合建模，生成多任务高斯过程模型对目标进行预测，并输出优化结果；
预测模块，用于对所述多任务高斯过程模型通过逆向映射获取所有目标函数的预测值，对所有目标函数进行预测。
本发明提供了一种基于昂贵多目标优化问题的优化方法及系统，所述方法包括：当一个任务中多个目标同时达到预设要求时，将多个不相关的目标对应的目标函数通过映射进行转换；将目标函数通过映射转换到一组具有相关性或者相似性的任务系列中对多个不相关的目标函数进行关联；将具有相似性或相关性的任务系列进行联合建模，生成多任务高斯过程模型对目标进行预测，并输出优化结果；在优化环节，利用建立的多任务高斯过程模型对每个任务进行预测，然后通过逆映射将任务预测值映射到目标预测值，达到避免计算昂贵目标函数的目的，最后输出优化结果；本发明通过将多个不相关的目标函数映射到一组存在相关性或相似性的任务系列中，然后利用MTGP将任务系列进行联合建模产生MTGP模型，有效利用任务系列之间的相似性来提高模型的准确度，同时在数据量较小时能有效增加训练的数据样本，降低了同一任务中多个不相关目标优化的成本。
附图说明
图1是本发明基于昂贵多目标优化问题的优化方法的较佳实施例的流程图。
图2是本发明基于昂贵多目标优化问题的优化方法的较佳实施例中基于映射和逆映射的MTGP建模及预测的示意图。
图3是本发明基于昂贵多目标优化问题的优化系统的较佳实施例功能原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一
请参见图1，图1是本发明基于昂贵多目标优化问题的优化方法的较佳实施例的流程图。如图1所示，一种基于昂贵多目标优化问题的优化方法，其中，包括以下步骤：
步骤S100，当一个任务中多个目标同时达到预设要求时，将多个不相关的目标对应的目标函数通过映射进行转换。
具体地，步骤S100具体包括如下步骤：
S101，预先设置所述一个任务中多个目标同时要达到的预设要求，也就是说在某些问题的优化过程中，有多个目标同时要达到的预设要求，其中一个任务只是泛指的概念，可以表示各种问题；
S102，获取所述一个任务中多个不相关的目标，建立每一个目标对应的目标函数；
S103，将多个不相关的目标函数进行映射转换。
本发明实施例中，以两个目标函数(双目标的优化)来进行说明，假设两个目标函数分别表示为f1和f2，且目标函数f1和f2为两个不相关的目标函数，则定义：
其中，h1和h2为定义的中间变量，a1,a2,b1,和b2为实数，且a1≠a2≠0,b1≠b2≠0,
并且当则
即
步骤S200，将目标函数通过映射转换到一组具有相关性或者相似性的任务系列中对多个不相关的目标函数进行关联。
具体地，步骤S200具体包括如下步骤：
S201，当将多个不相关的目标函数进行映射转换后，多个不相关的目标函数集中到一组具有相关性或者相似性的任务系列中；
S202，当转换得到所述任务系列后，多个不相关的目标函数完成关联操作。
本发明实施例中，对f1和f2建立高斯过程模型等价于对h1和h2建立高斯过程模型，通过f1和f2的分布，则获取得到h1和h2的分布，或者通过h1和h2的分布，则获取得到f1和f2的分布。
步骤S300，将具有相似性或相关性的任务系列进行联合建模，生成多任务高斯过程模型对目标进行预测，并输出优化结果。
具体地，步骤S300具体包括如下步骤：
S301，根据转换得到的具有相关性或者相似性的任务系列，进行高斯联合建模；
S302，当完成所述高斯联合建模后，生成多任务高斯过程模型多个目标进行预测，根据所述预设要求对多个目标进行优化。
本发明实施例中，当已知h1和h2的分布，对于f1和f2的均值和方差，则：
则得到：
f1和f2的高斯过程模型与h1和h2的高斯过程模型的估计值进行转换。
由于h1和h2之间具有相关性或相似性，通过对f1和f2映射获取h1和h2，通过h1和h2之间的相关性或相似性对h1和h2采用多任务高斯过程进行联合建模。
由上面可以看出，虽然f1和f2之间可能没有相关性或相似性，然而，h1和h2之间具有相关性或相似性，因此，可以考虑通过对f1和f2映射获取h1和h2，再利用h1和h2之间的相关性或相似性，对h1和h2采用MTGP进行联合建模来提高模型准确度，然后再通过逆向映射获取f1和f2的预测值。
例如，假设本发明的一个任务为车辆寻找最佳路线，预设要求好处是提出目标：1.路况最好，2.时间最短，3.成本最低；那么这三个就是不相关的目标，一个目标对应一个目标函数，可以分别用f1(表示路况)、f2(表示时间)、和f3(表示成本)表示，将三个标函数f1、f2、和f3通过映射进行转换得到h1、h2、和h3，那么h1、h2、和h3为一组具有相关性或者相似性的任务系列，再将具有相似性或相关性的任务系列进行联合建模，生成多任务高斯过程模型后，对多个目标进行优化，达到预设要求，为用户规划出一条符合多个目标要求的最佳路线。
进一步地，所述步骤S300还包括：对所述多任务高斯过程模型通过逆向映射获取所有目标函数的预测值，对所有目标函数进行预测。
本发明实施例中，对于双目标的优化问题，所述通过h1和h2之间的相关性或相似性对h1和h2采用多任务高斯过程进行联合建模之后还包括：通过逆向映射获取f1和f2的预测值。
如图2所示，图2是本发明基于昂贵多目标优化问题的优化方法的较佳实施例中基于映射和逆映射的MTGP建模及预测的示意图；在对所述目标函数进行预测时，对于任一输入矢量x*(或解)，通过建立的多任务高斯过程模型获得预测值和对和进行逆向映射则获得和其中，fi j表示对于输入j的第i个目标值。
之所以需要进行预测，是因为在优化过程中，通常需要计算优化目标适应度函数，对于昂贵优化问题，计算适应度函数代价高，因此通过代理模型来预测目标函数，而不需要真正计算目标函数准确值，从而达到降低代价的目的。
当然，上述方案可以推广到目标函数大于两个的任何昂贵多目标优化问题中，大于两个的任何昂贵多目标优化问题采用的公式按照上述公式依次进行类推即可。
另外，生成的模型可以很容易嵌入到一些昂贵多目标优化框架中，比如MOEA/D-EGO(MOEA/D-EGO是一种针对昂贵多目标优化的算法框架，算法对每个目标函数单独建立GP模型，在预测环节对每个目标值用建立的独立模型进行预测)，从而组成昂贵多目标优化系统，具体的嵌入方法是用上述的针对多目标建立MTGP模型的方法取代MOEA/D-EGO中对每个目标建立普通GP模型的方法。
本发明的主要关键点是：在昂贵多目标优化问题中，对每个互不相关的目标函数采用映射技术，把目标映射到一组具有相似性或相关性的任务系列中，然后对具有相似性或相关性的任务系列进行GP联合建模(MTGP)，从而提高模型的准确性；另外，在预测环节，采用逆向映射把预测值从任务系列恢复到目标系列；联合建模利用了训练任务之间的相似性及拓展了训练数据量，使得建立的模型更加准确。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过基于昂贵多目标优化问题的建模程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
本发明实施例还提供了一种基于昂贵多目标优化问题的优化系统，如图3所示，所系统包括：
映射模块10，用于当一个任务中多个目标同时达到预设要求时，将多个不相关的目标对应的目标函数通过映射进行转换；
关联模块20，用于将目标函数通过映射转换到一组具有相关性或者相似性的任务系列中对多个不相关的目标函数进行关联；
建模模块30，用于将具有相似性或相关性的任务系列进行联合建模，生成多任务高斯过程模型对目标进行预测，并输出优化结果；
预测模块40，用于对所述多任务高斯过程模型通过逆向映射获取所有目标函数的预测值，对所有目标函数进行预测；具体如上所述。
综上所述，本发明公开了一种基于昂贵多目标优化问题的优化方法及系统，所述方法包括：当一个任务中多个目标同时达到预设要求时，将多个不相关的目标对应的目标函数通过映射进行转换；将目标函数通过映射转换到一组具有相关性或者相似性的任务系列中对多个不相关的目标函数进行关联；将具有相似性或相关性的任务系列进行联合建模，生成多任务高斯过程模型对目标进行预测，并输出优化结果；在优化环节，利用建立的多任务高斯过程模型对每个任务进行预测，然后通过逆映射将任务预测值映射到目标预测值，达到避免计算昂贵目标函数的目的，最后输出优化结果；本发明通过将多个不相关的目标函数映射到一组存在相关性或相似性的任务系列中，然后利用MTGP将任务系列进行联合建模产生MTGP模型，有效利用任务系列之间的相似性来提高模型的准确度，同时在数据量较小时能有效增加训练的数据样本，降低了同一任务中多个不相关目标优化的成本。
应当理解的是，本发明的映射采用线性映射把目标函数映射到任务序列，从而建立任务之间的相似性，在多目标优化中，其他采用任何方法建立任务相似性，从而进行联合建模，都可看作与本方案相同；本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于昂贵多目标优化问题的优化方法，其特征在于，所述基于昂贵多目标优化问题的优化方法包括：
当一个任务中多个目标同时达到预设要求时，将多个不相关的目标对应的目标函数通过映射进行转换；
将目标函数通过映射转换到一组具有相关性或者相似性的任务系列中对多个不相关的目标函数进行关联；
将具有相似性或相关性的任务系列进行联合建模，生成多任务高斯过程模型对目标进行预测，并输出优化结果。
2.根据权利要求1所述的基于昂贵多目标优化问题的优化方法，其特征在于，所述将具有相似性或相关性的任务系列进行联合建模，生成多任务高斯过程模型对目标进行预测，并输出优化结果还包括：
对所述多任务高斯过程模型通过逆向映射获取所有目标函数的预测值，对所有目标函数进行预测。
3.根据权利要求1所述的基于昂贵多目标优化问题的优化方法，其特征在于，所述当一个任务中多个目标同时达到预设要求时，将多个不相关的目标对应的目标函数通过映射进行转换包括以下步骤：
预先设置所述一个任务中多个目标同时要达到的预设要求；
获取所述一个任务中多个不相关的目标，建立每一个目标对应的目标函数；
将多个不相关的目标函数进行映射转换。
4.根据权利要求3所述的基于昂贵多目标优化问题的优化方法，其特征在于，所述将目标函数通过映射转换到一组具有相关性或者相似性的任务系列中对多个不相关的目标函数进行关联包括以下步骤：
当将多个不相关的目标函数进行映射转换后，多个不相关的目标函数集中到一组具有相关性或者相似性的任务系列中；
当转换得到所述任务系列后，多个不相关的目标函数完成关联操作。
5.根据权利要求4所述的基于昂贵多目标优化问题的优化方法，其特征在于，所述将具有相似性或相关性的任务系列进行联合建模，生成多任务高斯过程模型对目标进行预测，并输出优化结果包括以下步骤：
根据转换得到的具有相关性或者相似性的任务系列，进行高斯联合建模；
当完成所述高斯联合建模后，生成多任务高斯过程模型多个目标进行预测，根据所述预设要求对多个目标进行优化。
6.根据权利要求1所述的基于昂贵多目标优化问题的优化方法，其特征在于，当所述目标函数为两个不相关的目标函数时，两个目标函数分别表示为f1和f2，则定义：
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>h</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中，h1和h2为定义的中间变量，a1,a2,b1,和b2为实数，且a1≠a2≠0,b1≠b2≠0,
7.根据权利要求6所述的基于昂贵多目标优化问题的优化方法，其特征在于，当则
即
<mrow>
<msub>
<mi>&mu;</mi>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
</msub>
<mo>=</mo>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
</mrow>
<mrow>
<msub>
<mi>&mu;</mi>
<msub>
<mi>h</mi>
<mn>2</mn>
</msub>
</msub>
<mo>=</mo>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
</mrow>
<mrow>
<msubsup>
<mi>&delta;</mi>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>a</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<msubsup>
<mi>&delta;</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<msubsup>
<mi>&delta;</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>,</mo>
</mrow>
<mrow>
<msubsup>
<mi>&delta;</mi>
<msub>
<mi>h</mi>
<mn>2</mn>
</msub>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>a</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<msubsup>
<mi>&delta;</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<msubsup>
<mi>&delta;</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>.</mo>
<mo>;</mo>
</mrow>
对f1和f2建立高斯过程模型等价于对h1和h2建立高斯过程模型，通过f1和f2的分布，则获取得到h1和h2的分布，或者通过h1和h2的分布，则获取得到f1和f2的分布。
8.根据权利要求7所述的基于昂贵多目标优化问题的优化方法，其特征在于，当已知h1和h2的分布，对于f1和f2的均值和方差，则：
<mrow>
<mi>A</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&mu;</mi>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
</msub>
</mtd>
<mtd>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&mu;</mi>
<msub>
<mi>h</mi>
<mn>2</mn>
</msub>
</msub>
</mtd>
<mtd>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>&mu;</mi>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>&mu;</mi>
<msub>
<mi>h</mi>
<mn>2</mn>
</msub>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
<mrow>
<mi>B</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>a</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>b</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>a</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>b</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<msub>
<mi>B</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&delta;</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>b</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>&delta;</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>b</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<msub>
<mi>B</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>a</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>&delta;</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>a</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>&delta;</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
则得到：
<mrow>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>det</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>det</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>det</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>det</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
<mrow>
<msubsup>
<mi>&delta;</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>det</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>B</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>det</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
<msubsup>
<mi>&delta;</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>det</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>B</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>det</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
f1和f2的高斯过程模型与h1和h2的高斯过程模型的估计值进行转换；h1和h2之间具有相关性或相似性，通过对f1和f2映射获取h1和h2，通过h1和h2之间的相关性或相似性对h1和h2采用多任务高斯过程进行联合建模；联合建模完成后，通过逆向映射获取f1和f2的预测值。
9.根据权利要求8所述的基于昂贵多目标优化问题的优化方法，其特征在于，在对所述目标函数进行预测时，对于任一输入矢量x*，通过建立的多任务高斯过程模型获得预测值和对和进行逆向映射则获得和其中，fi j表示对于输入j的第i个目标值。
10.一种基于昂贵多目标优化问题的优化系统，其特征在于，所系统包括：
映射模块，用于当一个任务中多个目标同时达到预设要求时，将多个不相关的目标对应的目标函数通过映射进行转换；
关联模块，用于将目标函数通过映射转换到一组具有相关性或者相似性的任务系列中对多个不相关的目标函数进行关联；
建模模块，用于将具有相似性或相关性的任务系列进行联合建模，生成多任务高斯过程模型对目标进行预测，并输出优化结果；
预测模块，用于对所述多任务高斯过程模型通过逆向映射获取所有目标函数的预测值，对所有目标函数进行预测。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710995223.XA CN107844855A (zh) | 2017-10-23 | 2017-10-23 | 一种基于昂贵多目标优化问题的优化方法及系统 |
| PCT/CN2017/119312 WO2019080354A1 (zh) | 2017-10-23 | 2017-12-28 | 一种基于昂贵多目标优化问题的优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710995223.XA CN107844855A (zh) | 2017-10-23 | 2017-10-23 | 一种基于昂贵多目标优化问题的优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107844855A true CN107844855A (zh) | 2018-03-27 |
Family
ID=61661962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710995223.XA Pending CN107844855A (zh) | 2017-10-23 | 2017-10-23 | 一种基于昂贵多目标优化问题的优化方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN107844855A (zh) |
| WO (1) | WO2019080354A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112526601A (zh) * | 2020-11-09 | 2021-03-19 | 中铁第四勘察设计院集团有限公司 | 一种多源数据反演方法、装置、设备和存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1205863A1 (en) * | 2000-11-14 | 2002-05-15 | Honda R&D Europe (Deutschland) GmbH | Multi-objective optimization |
| CN102737277A (zh) * | 2012-04-11 | 2012-10-17 | 湖南工业大学 | 基于多岛粒子群算法的混合型滤波器中无源滤波器多目标优化设计方法 |
| CN103336869B (zh) * | 2013-07-05 | 2016-07-06 | 广西大学 | 一种基于高斯过程联立mimo模型的多目标优化方法 |
-
2017
- 2017-10-23 CN CN201710995223.XA patent/CN107844855A/zh active Pending
- 2017-12-28 WO PCT/CN2017/119312 patent/WO2019080354A1/zh active Application Filing
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112526601A (zh) * | 2020-11-09 | 2021-03-19 | 中铁第四勘察设计院集团有限公司 | 一种多源数据反演方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019080354A1 (zh) | 2019-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Senthil et al. | Economic thermal power dispatch with emission constraint and valve point effect loading using improved tabu search algorithm | |
| CN106201651A (zh) | 神经形态芯片的模拟器 | |
| CN105550746A (zh) | 机器学习模型的训练方法和训练装置 | |
| CN104751297A (zh) | 一种混流生产线产能分配方法 | |
| CN106096127A (zh) | 含区间参数不确定性结构的稳健性优化设计方法 | |
| CN106779372A (zh) | 基于改进免疫禁忌算法的农机调度方法 | |
| Petrosov et al. | Evolutionary synthesis of large discrete systems with dynamic structure | |
| CN106228265A (zh) | 基于改进粒子群优化的总拖期运输计划调度算法 | |
| CN104616062A (zh) | 一种基于多目标遗传规划的非线性系统辨识方法 | |
| CN105512755A (zh) | 一种基于分解的多目标分布估计优化方法 | |
| CN103020709B (zh) | 基于人工蜂群和量子粒子群算法的一维水质模型参数率定方法 | |
| CN110705080A (zh) | 一种数字孪生模型精准组装方法及装置 | |
| Chang | Short-term load forecasting using radial basis function neural network | |
| Memon et al. | Multivariate optimization strategies for real-time traffic control signals | |
| CN109858798A (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
| CN103473061B (zh) | 一种结构噪声不确定性优化系统及方法 | |
| CN117829149B (zh) | 一种语言模型混合训练方法、装置、电子设备和存储介质 | |
| Sha et al. | Synthesizing barrier certificates of neural network controlled continuous systems via approximations | |
| CN107844855A (zh) | 一种基于昂贵多目标优化问题的优化方法及系统 | |
| Yao et al. | Power function-based signal recovery transition optimization model of emergency traffic | |
| CN107491841A (zh) | 非线性优化方法及存储介质 | |
| Wongwiwat et al. | Production scheduling for injection molding manufacture using Petri Net model | |
| Sharawat et al. | System dynamics approach: A novel water resource management tool | |
| Letia et al. | Enhancing the time Petri nets for automatic hybrid control synthesis | |
| Zhang et al. | Solving multi-class traffic assignment problem with genetic algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180327 |
|
| RJ01 | Rejection of invention patent application after publication |